Quantification of the effects of single nucleotide variants in NKX2.1 transcription factor binding sites

Deze studie kwantificeert de effecten van enkelvoudige nucleotidevarianties op de binding van de transcriptiefactor NKX2.1 en ontwikkelt neurale netwerken om ziekteveroorzakende varianten in regulatorische elementen bij patiënten met CAHTP te identificeren.

De kern

De Sleutel en het Slot: Hoe een klein foutje in de DNA-instructies ziekte kan veroorzaken

Stel je voor dat je DNA een enorme, ingewikkelde bouwtekening is voor het lichaam. In deze bouwtekening staan niet alleen de instructies voor het maken van de onderdelen (eiwitten), maar ook instructies over wanneer en waar die onderdelen gemaakt moeten worden.

Deze "aan-uit" knoppen worden bediend door speciale werknemers: de transcriptiefactoren. Je kunt je deze voorstellen als sleutels die in specifieke sloten (de DNA-sequenties) passen. Als de sleutel in het slot past, gaat de machine aan en wordt een eiwit gemaakt.

In dit onderzoek kijken we naar een heel belangrijke sleutel genaamd NKX2.1. Deze sleutel is essentieel voor de ontwikkeling van de schildklier, de longen en de hersenen. Als deze sleutel kapot is (door een fout in het eiwit zelf), krijg je een ziekte genaamd CAHTP (een combinatie van bewegingsstoornissen, een slecht werkende schildklier en longproblemen).

Het mysterie:
Artsen hebben duizenden patiënten met deze ziekte onderzocht. Ze vonden vaak fouten in de sleutel zelf (het eiwit). Maar bij veel patiënten was de sleutel zelf perfect. Waar zat het probleem dan?
De onderzoekers vermoedden dat het probleem niet in de sleutel zat, maar in het slot zelf. Misschien was er een klein steentje in het slot gevallen (een mutatie in het DNA), waardoor de perfecte sleutel er niet meer goed in paste.

De experimenten: Een race tussen miljoenen sleutels
Om dit te bewijzen, hebben de onderzoekers een slimme truc uitgehaald:

1. De EMSA-seq race (De grote wedstrijd):
   In plaats van één slot per keer te testen, maakten ze een enorme hoeveelheid sloten met kleine variaties. Ze gooiden allemaal tegelijkertijd de NKX2.1-sleutel erin.

   • De analogie: Stel je voor dat je een miljoen sloten hebt, waarvan sommige een klein steentje hebben. Je gooit de sleutel erin. De sloten waar de sleutel perfect in past, blijven hangen. De slechte passen vallen eruit. Door te kijken welke sloten bleven hangen, konden ze precies meten hoe goed de sleutel paste bij elke variatie.
   • Dit gaf hen een enorme hoeveelheid data: welke kleine veranderingen in het slot maken dat de sleutel niet meer werkt?

2. De AI-trainer (De slimme voorspeller):
   Met al die data trainden ze een kunstmatige intelligentie (een neuronaal netwerk). Dit is als een super-slimme leerling die duizenden voorbeelden heeft gezien van goed en slecht passende sloten.

   • Na het trainen kon deze AI voorspellen: "Als je op positie X een A verandert in een G, dan past de sleutel 50% minder goed."
   • Belangrijk: De AI leerde niet alleen naar één letter kijken, maar zag patronen. Soms maakt een verandering hier alleen een probleem als er ook een verandering is daar. Dat noemen ze "samenwerking" tussen letters.

3. De controle (De microscopen en kristallen):
   Om zeker te weten dat hun AI klopte, keken ze ook met andere methoden:

   • MST: Een heel gevoelige weegschaal die meet hoe sterk de sleutel aan het slot trekt.
   • Kristallografie: Ze maakten foto's van de sleutel in het slot (zoals een 3D-foto). Hier zagen ze precies welke onderdelen van de sleutel tegen het slot duwden.
   • De verrassing: De AI en de "race" (EMSA-seq) zagen soms kleine verschillen die de weegschaal (MST) niet zag. Waarom? Omdat in de race miljoenen sloten tegelijk om de sleutel vechten (concurrentie). In het lichaam is het ook een race om de beschikbare sleutels. De AI zag dus de realiteit van de "race" beter dan de weegschaal die alleen twee dingen apart meet.

Waarom is dit belangrijk?
Vroeger keken artsen alleen naar de "sleutel" (het eiwit) om ziektes te verklaren. Als de sleutel goed was, zeiden ze: "We weten het niet."
Met deze nieuwe AI kunnen artsen nu ook naar het "slot" (de regulerende gebieden in het DNA) kijken. Als een patiënt ziek is, maar de sleutel is perfect, kan de AI nu zeggen: "Kijk, hier in het slot zit een steentje dat de sleutel blokkeert."

Samenvatting in één zin:
De onderzoekers hebben een slimme computer getraind met miljoenen voorbeelden om te voorspellen hoe kleine foutjes in het DNA (de sloten) de werking van belangrijke eiwitten (de sleutels) verstoren, waardoor ze ziektes beter kunnen begrijpen en diagnosticeren.

Technische samenvatting

Titel: Kwantificering van de effecten van single nucleotide variants (SNVs) in NKX2.1 transcriptiefactor-bindingsplaatsen

1. Het Probleem

Transcriptiefactoren (TFs) reguleren de genexpressie door te binden aan specifieke DNA-sequenties in promotoren en enhancers. Mutaties in de coderende regio's van het NKX2-1-gen (dat codeert voor de TF NKX2.1) zijn bekend als oorzaak van het syndroom CAHTP (choreoathetose, congenitaal hypothyroïdie en pulmonaire dysfunctie). Echter, bij ongeveer 73% van de patiënten met een CAHTP-achtig fenotype worden geen mutaties in de coderende regio van NKX2-1 gevonden.
De auteurs hypothetiseren dat pathogene varianten zich in de regulerende genomische elementen bevinden, specifiek in de bindingsplaatsen (TFBS) waar NKX2.1 aan bindt. Het huidige probleem is dat het moeilijk is om ziekteveroorzakende varianten in deze regulerende gebieden te identificeren en te prioriteren, omdat bestaande modellen (zoals Position Weight Matrices of PWMs) vaak niet in staat zijn om complexe, niet-lineaire interacties tussen nucleotiden en de effecten van mutaties op de bindingsaffiniteit nauwkeurig te voorspellen.

2. Methodologie

De studie combineert high-throughput experimentele biologie met diep leren (deep learning) en structurele biologie:

• EMSA-seq (Electromobility Shift Assay sequencing):
  • De auteurs ontwikkelden drie mutant-bibliotheken (CORE, FLANK, ALL) gebaseerd op de thyroglobuline-promotor van de rat, met variaties in respectievelijk het kernmotief (4 bp), de flankerende sequenties (10 bp), of beide (14 bp).
  • Deze bibliotheken werden blootgesteld aan het DNA-bindingsdomein (DBD) van NKX2.1.
  • Gebonden en niet-gebonden DNA werd gescheiden, geëxtraheerd en gesequenced.
  • DESeq2 werd gebruikt om de log2-fold change (LFC) van de sequenties te berekenen, wat een maatstaf is voor de verrijking (en dus bindingssterkte) na blootstelling aan het eiwit.
• Neuronale Netwerken (VCNNBPNet):
  • De EMSA-seq data (LFC-waarden) werden gebruikt om convolutionele neurale netwerken (CNNs) te trainen.
  • Het gebruikte model (VCNNBPNet) combineert dilated convoluties (voor het vastleggen van motieven op verschillende schalen) met adaptieve max-pooling.
  • De modellen voorspellen de LFC op basis van DNA-sequenties en kunnen variabele lengtes aan.
  • Attributie-analyse: Tools zoals tangermeme (DeepSHAP) en in silico saturatiemutagenese werden gebruikt om te bepalen welke nucleotiden het belangrijkst zijn voor de voorspelling.
• Validatie met onafhankelijke methoden:
  • Microscale Thermophoresis (MST): Om de bindingsaffiniteit ($K_d$) van specifieke varianten kwantitatief te meten.
  • Röntgenkristallografie: Het oplossen van kristalstructuren van het NKX2.1-DBD gebonden aan wildtype en gemuteerde DNA-sequenties om de moleculaire basis van bindingsverschillen te visualiseren.
  • AlphaFold: Gebruikt om structurele modellen te genereren voor varianten die niet kristalliseerden.
  • ChIP-seq Validatie: De getrainde modellen werden getest op hun vermogen om echte NKX2.1-bindingsplaatsen te onderscheiden van die van andere transcriptiefactoren in publieke ChIP-seq datasets.

3. Belangrijkste Bijdragen

• Eerste in vitro dataset: Dit is de eerste publiek beschikbare dataset die de binding van miljoenen DNA-sequenties aan de menselijke transcriptiefactor NKX2.1 kwantificeert.
• Nieuwe Voorspellende Modellen: De ontwikkeling van neurale netwerken die complexe, niet-lineaire afhankelijkheden (epistase) tussen nucleotiden leren, in tegenstelling tot traditionele PWM-modellen die nucleotiden als onafhankelijk beschouwen.
• Integratie van Methoden: Een unieke koppeling tussen high-throughput bindingdata (EMSA-seq), thermodynamische metingen (MST), structurele biologie (kristallografie) en computationele modellering.
• Klinische Toepasbaarheid: Een raamwerk om niet-coderende varianten in patiënten met CAHTP te prioriteren wanneer geen coderende mutaties worden gevonden.

4. Resultaten

• EMSA-seq en Modelprestaties:
  • De EMSA-seq methode slaagde erin om subtiele verschillen in bindingsaffiniteit te detecteren die door andere methoden mogelijk worden gemist vanwege de competitieve aard van de assay.
  • De getrainde neurale netwerken (vooral het FLANK-model, dat variatie in flankerende sequenties leerde) presteerden beter dan traditionele PWM-modellen bij het voorspellen van bindingssterkte en het identificeren van bindingsplaatsen.
  • De modellen leerden dat de "constante" flankerende sequenties net zo belangrijk zijn voor de bindingsaffiniteit als het gemuteerde kernmotief, wat wijst op een context-afhankelijke bindingslogica.
• Discordantie met MST:
  • Er was een opvallend gebrek aan correlatie tussen de voorspellingen van de modellen (gebaseerd op EMSA-seq) en de $K_d$-waarden gemeten met MST.
  • Oorzaak: De auteurs stellen dat EMSA-seq, door zijn competitieve karakter (miljoenen sequenties strijden om binding), kleine verschillen in affiniteit kan detecteren die MST (die één sequentie in isolatie meet) niet kan onderscheiden. Dit maakt EMSA-seq mogelijk relevanter voor de in vivo situatie.
• Structurele Validatie:
  • Röntgenkristallografie bevestigde dat mutaties (zoals CAAG naar CACG) leiden tot structurele herschikkingen in het eiwit-DNA-complex (bijv. verschuiving van de N-loop), wat de veranderingen in bindingssterkte verklaart.
  • AlphaFold-predicties voor niet-opgeloste varianten bleven consistent met de experimentele trends, hoewel ze soms afweken van MST-data.
• ChIP-seq Validatie:
  • De neurale netwerken waren uitstekend in staat om NKX2.1-peaksequenties te onderscheiden van peaks van andere transcriptiefactoren (GATA1, MYOD1, etc.).
  • Het gebruik van het volledige 500 bp ChIP-seq-peak (in plaats van alleen een klein venster) verbeterde de voorspellende nauwkeurigheid, wat aantoont dat de modellen contextuele informatie effectief benutten.

5. Betekenis en Conclusie

De studie demonstreert dat EMSA-seq in combinatie met deep learning een krachtige aanpak is om de effecten van nucleotidevarianten in regulerende elementen te karakteriseren. De ontwikkelde modellen kunnen worden ingezet in de klinische genetica om varianten in de regulerende gebieden van het NKX2-1-gen te screenen bij patiënten met CAHTP die geen mutaties in het coderende deel van het gen hebben.

De bevindingen benadrukken dat:

1. De competitieve aard van high-throughput bindingassays cruciaal is voor het detecteren van subtiele affiniteitsverschillen.
2. Traditionele lineaire modellen (PWM) ontoereikend zijn voor het voorspellen van complexe TF-DNA-interacties.
3. Structurele plasticiteit van het eiwit een sleutelrol speelt in hoe mutaties de bindingsaffiniteit beïnvloeden.

Deze work biedt een blauwdruk voor het ontrafelen van "non-coding" ziektevarianten voor andere transcriptiefactoren en ziekten.